为了使具备WiFi嗅探功能的无线传感器网络能够利用嗅探信息的接收信号强度指示（Received Signal Strength Indication,RSSI）对目标进行快速定位并减小室内环境下阴影衰落对定位的影响,本文将Dempster-Shafer（DS）证据理论与RSSI定位结合,实现通过单次RSSI数据采集对目标进行定位,本文还对运算效率进行了改进,最终推广至持续对目标进行跟踪定位,主要创新概况如下:（1）提出一种改进的基于DS证据理论的利用RSSI信息对室内移动目标定位（Locating Indoor Mobile Target with RSSI based on DS evidence theory,LIMT-DS）的方法。LIMT-DS方法首先通过证据构造模型利用RSSI生成各传感器关于定位环境中诸多位置点的证据,对各传感器证据进行综合,最后通过决策模式筛选得到目标存在可能性较大的数个定位点,进行位置加权得到定位结果。仿真与实验结果表明,LIMT-DS方法可以用传感器网络单次RSSI采集实现定位,其定位精度相比同类方法存在明显优势。（2）针对LIMT-DS方法中较高复杂度的问题,提出一种将学习向量量化（Learning Vector Quantization,LVQ）粗定位与LIMT-DS方法精定位进行组合的方法,通过离线训练获取各个兴趣区域（Place of Interest,POI）对应的RSSI特征向量,在线阶段对比特征向量与实测向量找到最为相似的POI,仅在该POI内进行LIMT-DS方法运算,以减少定位点数目。本文还提出了扩充粗定位策略以提高粗定位准确率。实验结果表明,相比LIMT-DS方法,引入LVQ后的组合方法在维持精度不变的同时有效降低了运算时间。（3）针对目标跟踪定位问题,提出一种自适应DS证据的RSSI室内目标定位（Locating Indoor Mobile Target with RSSI via Adapted DS Evidences,LIMT-ADSE）方法,该方法将定位点视为粒子滤波中的粒子,跟踪定位过程中通过Kullback-Leibler采样复制目标存在可能性较高的粒子,并使粒子进行随机运动,再对粒子赋予新的权重并加权获得定位结果,以此循环对目标进行跟踪定位。仿真与实验结果表明,在可以持续对目标进行定位的条件下,相比LIMT-DS方法与同类方法,LIMT-ADSE方法可以有效根据自适应目标运动状态,具备更高定位精度且运算时间较短。